PC & Mobile

Tutoriel sur la visualisation de données: Données météorologiques – Vers l'IA

Tutoriel sur la visualisation de données: Données météorologiques - Vers l'IA


Visualisation des données en utilisant Python matplotlib | Vers l'IA

Analyse et visualisation de données météorologiques à l'aide de matplotlib Python

Ce code effectue les opérations suivantes:

  1. Il renvoie un graphique linéaire montrant le record de températures record et les températures record le jour de l'année pour la période 2005-2014. La zone située entre le record et les températures record pour chaque jour de l'année.
  2. Superpose une dispersion des données de 2015 pour tous les points (hauts et bas) pour lesquels le record de dix ans (2005-2014), record ou minimum, a été battu en 2015.

Ensemble de données: Le jeu de données NOAA utilisé pour ce projet est stocké dans le fichier weather_data.csv. Ces données proviennent d'un sous-ensemble du réseau quotidien de climatologie historique mondial des centres nationaux d'information sur l'environnement (NCEI) (GHCN-Daily). Le GHCN-Daily est composé des relevés climatiques quotidiens de milliers de stations terrestres à travers le monde. Les données ont été recueillies à partir de stations de données situées à proximité de Ann Arbor, Michigan, États-Unis.

Le code complet de cet article peut être téléchargé à partir de ce référentiel: https://github.com/bot13956/weather_pattern.

importation matplotlib.pyplot comme plt
importation pandas comme pd
importation numpy comme np
df = pd.read_csv ('weather_data.csv')
df.head ()
#convertir la température du dixième de degré C au degré C
df['Data_Value']= 0.1 * df.Data_Value
days = list (map (lambda x: x.split ('-')[-2]+ '-' + x.split ('-')[-1]df.Date))
ans = liste (carte (lambda x: x.split ('-')[0]df.Date))
df['Days']= jours
df['Years']= années
df_2005_to_2014 = df[(df.Days!='02-29')&(df.Years!='2015')]
df_2015 = df[(df.Days!='02-29')&(df.Years=='2015')]
df_max = df_2005_to_2014.groupby (['Element','Days']) .max ()
df_min = df_2005_to_2014.groupby (['Element','Days']) .min ()
df_2015_max = df_2015.groupby (['Element','Days']) .max ()
df_2015_min = df_2015.groupby (['Element','Days']) .min ()
record_max = df_max.loc['TMAX'].Valeur des données
record_min = df_min.loc['TMIN'].Valeur des données
record_2015_max = df_2015_max.loc['TMAX'].Valeur des données
record_2015_min = df_2015_min.loc['TMIN'].Valeur des données
plt.figure (figsize = (10,7)) plt.plot (np.arange (len (record_max)), record_max, '--k', label = "record high") plt.plot (np.arange (len (record_max)), record_min, '-k', label = "record low") plt.scatter (np.where (record_2015_min <record_min.values), record_2015_min[record_2015_min < record_min].values, c = 'b', label = '2015 break low')plt.scatter (np.where (record_2015_max> record_max.values), record_2015_max[record_2015_max > record_max].values, c = 'r', label = '2015 break high') plt.xlabel ('mois', taille = 14) plt.ylabel ('température ($ ^  circ C $)', taille = 14) plt.xticks (np.arange (0,365,31), ['Jan','Feb', 'Mar','Apr','May','Jun','Jul','Aug','Sep','Oct','Nov','Dec']) ax = plt.gca () ax.axis ([0,365,-40,40]) plt.gca (). fill_between (np.arange (0,365), record_min, record_max, facecolor = 'blue', alpha = 0.25) plt.title ('Enregistrez les températures pour différents mois entre 2005 et 2014', taille = 14) plt.legend (loc = 0) plt.show ()

En résumé, nous avons montré comment un simple tracé de visualisation de données peut être généré à l’aide de la bibliothèque matplotlib de python.

Le code complet de cet article peut être téléchargé à partir de ce référentiel: https://github.com/bot13956/weather_pattern.

Show More

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Related Articles

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Close
Close